동적 모드 분해 기반 신장 기능 자동 정량화와 분할

초록

본 논문은 동적 대비 강화 MRI(DCE‑MRI)에서 신장 영역을 자동으로 분할하기 위해 동적 모드 분해(DMD)를 적용한다. DMD‑모드 2를 추출하고, 간단한 임계값 설정 및 연결 요소 분석을 통해 신장 ROI를 얻는다. 합성 데이터와 10명의 건강 자원자를 대상으로 검증했으며, 전문가가 수동으로 만든 마스크와 평균 Jaccard 지수 0.87을 기록, 기존 경계 상자 방식보다 현저히 우수함을 보였다.

상세 분석

이 연구는 DCE‑MRI 시퀀스의 시간‑공간 변화를 저차원 동적 모드로 압축하는 DMD 기법을 신장 ROI 자동 분할에 최초로 적용한 점이 혁신적이다. 기존 방법들은 k‑means, k‑NN, ICA 등 고차원 특징 벡터를 이용해 복잡한 전처리와 파라미터 튜닝이 필요했으며, 움직임 보정 단계가 별도로 요구되었다. 반면 저자들은 WR‑DMD(윈도우드·리컨스트럭션 DMD)를 통해 호흡에 의한 움직임을 억제하고, 첫 번째와 두 번째 모드가 각각 저‑랭크(배경)와 희소(대조제 변화) 정보를 담는다는 사실을 이용한다. 특히 모드‑2는 신장 내 대비제 농도 변화를 강조하므로, 이를 정규화 후 단순 임계값(threshold)으로 이진화하면 신장 영역이 명확히 드러난다. 연결 요소 분석을 통해 가장 큰 연결 영역을 선택함으로써 잡음이나 주변 장기(간, 비장)의 오분할을 최소화한다.

평가 지표로 Jaccard 유사도(Intersection‑over‑Union)를 사용했으며, 인간 전문가 3명의 마스크 간 상호 교차를 ‘ground‑truth’으로 정의한 뒤, DMD 기반 마스크와 각각 비교하였다. 평균 Jaccard 0.87은 전문가 간 평균(0.85~0.88)과 동등하거나 약간 높은 수준이며, 기존 사전 정의된 바운딩 박스 방식(성능 미제시)보다 현저히 우수함을 통계적으로 입증한다.

알고리즘 복잡도 측면에서, DMD는 SVD 기반 저차원 투영을 이용해 원본 이미지(≈7.6×10⁴ 픽셀) 대비 O(N·r²) 수준의 연산량을 요구한다(N: 프레임 수, r: 선택된 모드 수). 이는 전통적인 ICA나 딥러닝 기반 세그멘테이션에 비해 메모리와 시간 효율성이 뛰어나며, GPU 없이도 실시간 혹은 준실시간 처리에 적합하다.

한계점으로는(1) 현재는 건강 자원자 10명만을 대상으로 했으며, 병변이 있는 환자군에 대한 일반화 검증이 부족하다. (2) 모드 선택이 고정된 ‘모드‑2’에 의존하므로, 신장 외 다른 장기나 병변이 강하게 대비될 경우 오분할 위험이 있다. (3) 임계값 설정이 데이터셋마다 다소 조정될 수 있어 완전 자동화를 위해 적응형 임계값 전략이 필요하다.

전반적으로 DMD 기반 자동 분할은 데이터‑드리븐, 파라미터‑프리 접근법으로, 기존 수동 혹은 반자동 방법의 비용·시간 부담을 크게 감소시키며, 임상 워크플로우에 바로 적용 가능한 실용성을 보여준다.